遥感影像云检测

问题：

输入数据是波段1、2、3、4、5、7和波段6亮度温度（BT）的大气顶部（TOA）反射率。对于陆地卫星L1T图像，使用LEDAPS大气校正工具将数字（DN）值转换为TOA反射率和BT（摄氏度）。然后，使用基于云和云阴影物理属性的规则提取潜在云层和潜在云阴影层。最后，利用分割出的潜在云层和几何关系匹配潜在云阴影层，生成最终云和云阴影遮罩。如果陆地卫星场景有雪，Fmask也将生成一个雪遮罩。

首先结合几个光谱测试来识别潜在的云像素（PCP）——可能是多云的像素，有时可能是清晰的像素： 由于云的明亮和寒冷的性质，所有类型的云都应该具有大于0.03（LEDAPS内部云掩蔽算法的传统）和低于27°C的BT（ACCA的传统）。云的NDSI和NDVI值通常在零左右，因为它们在光谱带中具有“白色”特征。对于某些云类型，例如植被覆盖率高的区域上的极薄云或冰云，NDVI和NDSI值可能较大，但两者都不能大于0.8，ACCA还使用NDSI阈值0.8以在第一个过程中将云与雪像素分离。 whiteness指数最初由Gomez Chova等人（2007）提出，使用可见光带之间的绝对差值和总体亮度之和来捕获此云属性。通过将差值除以可见波段的平均值，新的whiteness指数适用于LandSat卫星图像，但依旧可能包括裸露土壤、沙子和雪/冰的一些像素 针对陆地卫星数据的雾度优化转换（HOT）由Zhang等人（2002）首次提出，认为在晴朗的天空条件下，大多数陆地表面的可见光带高度相关，但蓝色和红色波长对烟雾和薄云的光谱响应不同，HOT是根据晴空像素的DN值回归经验得出的。如果使用TOA反射率作为回归的输入，则对大多数陆地卫星图像检索公式（3）。结果对于从晴空像素中分离薄雾和薄云特别有帮助。但是也可能包括一些明亮的像素，如岩石、浑水或雪/冰表面，因为它们在可见波段具有较大的TOA反射率。 该光谱测试类似于ACCA（Irish，2000）中的测试，其中使用大于1的波段4和波段5比率排除明亮的岩石和沙漠，因为它们在波段5中的反射率往往高于波段4，而云的反射率则相反。然而，该阈值也可能排除一些薄云。因此，我们将该阈值降低为0.75,该测试的主要焦点是将大部分明亮的岩石与云分离。 Water Test将所有像素分为两类：水像素和陆地像素。厚云将被识别为陆地像素，无论它们是在陆地上还是在水上（厚云阻挡了陆地和水分离的所有信息），而水面上的薄云可能仍然能够被识别为水像素。近红外波段反射率是水识别的良好指标，因为该波段的水通常较暗，而陆地通常较亮。此外，由于陆地NDVI值通常高于0.1，大部分水像素NDVI小于0.1波段4小于0.5，因此NDVI值对于分离水像素和陆地像素特别有用 通过应用上述光谱测试，Fmask将识别PCP:

识别所有PCP后，剩余像素（绝对clearsky像素）可用于计算图像中所有像素的云概率。由于陆地和水的温度分布和反射范围在空间和时间上都可能变化很大，Fmask分别计算水和陆地的云概率。 水的云概率 根据pass one中应用的“水测试”对水和陆地像素进行分类。水的云概率（wCloud_Prob）是温度概率（wttemperature_Prob）和亮度概率（brightness_Prob）的组合，计算如下 水的温度概率：

通过“水测试”和低波段7反射率阈值（等式7）识别晴空水像素 Twateris用晴空水温的较高水平（82.5%）进行估算，目的是排除通常使水温变冷的其他大气影响。 4 °C的常数用于重新缩放温度概率，因为如果像素的BT比表面温度低4°C，则其成为云像素的概率很高（Vermote& Saleous，2007）。

亮度概率： 水通常是暗的，尤其是在波段5的反射率。Fmask使用归一化波段5反射率计算水面上云检测的亮度概率。通常，水的波段5反射率小于0.05，但某些混浊或浅水像素可能具有更高的反射率。最亮的水的波段5反射率可能高达0。 水的云概率： 通过结合温度概率和亮度概率计算水像素的云概率。 由于晴空水像素的BT和波段5反射率非常均匀，Fmask使用固定阈值检索水面上的云。**如果云的概率大于0.5，则将水像素标识为云像素.。**通过结合温度和亮度概率，明亮的水像素（如浅水或浑水像素）或冷水像素（较高海拔的水）将很容易从云像素中排除，因为如果其中一个概率接近零，无论另一个概率有多大，水的云概率仍然接近于零。 陆地云概率 陆地云概率（lCloud_Prob）是温度概率（lTemperature_Prob）和变率概率（variability_Prob）的组合 陆地温度概率：

如果晴空陆地像素覆盖小于0.1%（统计分析所需的最小像素）场景中的总观测值，Fmask将使用晴空像素（来自陆地和水域）计算温度概率，而不是仅使用晴空陆地像素 17.5%和82.5%的阈值来自全球云参考遮罩的敏感性分析。

由于陆地温度可能存在很大差异，Fmask使用晴空陆地温度的上下水平来规范化陆地的温度概率

正常情况下，如果像素的BT比低温低4°C，则该像素成为云的可能性很高。 如果像素的BT比高温高4°，则像素很可能是清晰的。 由于温度是云检测中最重要的维度之一，如果像素的BT比Tlow低4°C以上，则陆地的温度概率可能大于1。

变异概率： 陆地像素的反射率变化较大，亮度概率在陆地上无法很好地用于云检测。然而，由于云在光学波段的光谱反射非常一致，Fmask使用光谱变化的概率来识别陆地上的云。 NDVI、NDSI和“白度”值用于捕获近红外/可见光、SWIR/可见光和可见光范围内的光谱变化。Fmask使用1减去三个指数中的最大值来表示光谱可变性。在处理饱和像素时，基于NDVI和NDSI的光谱变化可能不准确。在这种情况下，公式（15）中使用了修正的NDVI和NDSI。（Landsat卫星可见波段对于明亮像素而言很容易饱和）NDSI和NDVI值修改如下：

如果一个像素在第2波段饱和，第5波段大于第二波段Fmask为该像素的NDSI赋值0 同样的规则也适用于修改后的NDVI，即，如果某个像素在波段3中饱和，且波段4大于波段3，则Fmask会为该像素的NDVI赋值0 如果可见光带在较小的值（例如0.5）处饱和，而NIR和SWIR波段没有（接近1），这将使NDSI和NDVI的绝对值大大大于0，从而降低云像素的光谱变化概率。

陆地云概率 陆地像素的云概率通过结合温度概率和变化概率计算，如下所示。温度概率可能比某些极冷像素的变化概率贡献更大，因为其概率范围更广。 定义陆地上云的阈值由晴空陆地像素概率的上限（82.5%）加上常数0.2组成（基于灵敏度分析）如式（17）所示。如果陆地像素的slCloud_概率大于此基于场景的阈值，则Fmask将像素标识为云。 因此，通过结合云概率和先前识别的PCP，Fmask生成等式（18）中的潜在云层。由于在PCP中可能忽略云，如果陆地上的云概率非常大（超过99%）或BT非常冷（比地面低35°C），Fmask会发现遗漏的云像素。 最后，Fmask将使用将像素设置为云的规则在空间上改进云遮罩，其3×3邻域中的五个或更多像素为云像素；否则，像素将保持清晰

由于光束太阳辐射被云层阻挡，云层阴影主要由散射光照亮。由于大气散射在较短波长（例如可见光波段）下较强，阴影中的扩散辐射在较长波长（例如NIR和SWIR波段）下会相对较小，使阴影像素比其周围环境暗。 由于近红外反射率通常较高（包括植被、雪、冰和岩石），云阴影的变暗效果在该波段最为明显。因此，对波段4反射率（NIR波段）执行了一种称为**“洪水填充”**的形态变换，该变换使由较亮区域包围的暗区域的强度值达到与周围像素相同的强度水平。在形态学领域，灰度图像被视为“数字高程模型”。因此，所有云阴影都位于具有区域极小值的位置，这是因为它们的波段4反射比周围环境相对较暗。因此，所有云阴影都位于具有区域极小值的位置，这是因为它们的波段4反射比周围环境相对较暗。

Flood Fill洪水填充变换定义为使用标记图像对输入数字高程模型进行侵蚀重建，该标记图像设置为数字高程模型的最大高度，但沿其边界和自然洼地底部的标记图像继承了输入数字高程模型的值 在这种情况下，填充的波段4反射率与原始波段4反射率之间的差异将包括云阴影的变暗效果。

如果云阴影位于场景边缘，则“填充”变换将无法识别它。因此，Fmask使用较低级别（17.5%）的晴空陆地波段4反射率填充场景边缘，以捕捉所有潜在的云阴影。

来自MODIS雪映射算法，唯一的区别是使用的NDSI阈值。MODIS雪花算法使用大于0.4的NDSI作为其阈值，以识别被雪覆盖大约50%或更大的像素。我们将NDSI阈值降低到0.15 因为对于陆地卫星数据中的所有清晰（无雪和无云）陆地像素，NDSI值始终低于0.15因此，NDSI阈值为0.15

通过了解卫星传感器的视角、太阳天顶角、太阳方位角和云的相对高度，我们可以根据云与其阴影之间的几何关系预测云阴影的位置。因为前三个因素是已知的，我们可以使用它们来计算云阴影的投影方向。沿着这个方向，Fmask使用云及其阴影具有相似形状的想法将云对象与潜在阴影层匹配 原始云对象将从计算的阴影中排除，因为像素不能同时为云和阴影。每个云对象的匹配相似性是计算阴影和潜在云或阴影层之间的重叠区域与计算阴影区域的比率。为了匹配正确的云影，如果相似度增加或不减少到最大相似度的98%，云高的迭代将继续进行；否则，迭代将停止。如果相似度大于给定的阈值，则匹配云阴影，否则将拒绝。 相似性阈值可以在0.2-0.5之间，它们都提供类似的云阴影结果。阈值为0.3适用于Fmask，因为它在云阴影的遗漏和委托错误之间保持平衡。 云对象是通过分割潜在云层得到的，也就是说，与其他潜在云像素相邻的潜在云像素（使用8向连通性）被识别为一个云对象。云对象的形状并不总是与其云阴影相同，因为某些类型的云具有较大的垂直范围，可能会投射出超出平面云近似允许范围的云阴影。这也可能发生在太阳高度和角度非常低的小型垂直云层上。 因此，Fmask将每个云视为一个3D对象，其基本高度由匹配的云和云阴影检索，顶部高度由恒定的移动速率及其相应的基本高度估计。云底高度可以是200米到12000米之间的任何值，Fmask算法通过使用云对象BT缩小云底高度范围。对于标准大气条件，干燥空气的绝热衰减率为−9.8k/公里对于潮湿的空气是−6.5k/公里。然而，薄云的情况并不总是如此，因为它们的BT受到下面温暖地面的影响。在这种情况下，Fmask使用减少的湿绝热衰减率−1k/公里捕捉薄云阴影。因此，我们可以预测最小和最大云对象基准高度范围为： 对于每个云对象，Tcloud_base应该具有最高的BT，因为云基像素是传感器可以检测到的最低云像素。然而，对于厚云和薄云，位于边缘的最暖云像素并不代表云底的实际BT，因为受邻近暖地面的影响。因此，有必要使用距离云边缘足够远的像素来表示云底BT，并调整比该值更热的边缘像素。为了简化云基BT计算，Fmask假设每个云对象是圆形的，并且8个云边缘像素受到相邻暖表面的影响。如果云对象的计算半径小于8像素，Fmask使用云对象的最小BT作为其云基BT。因此，我们可以计算云基BT（等式22），并使用该值（等式23）调整受影响的云BT，如下所示： 由于云对象内的空气是湿的，Fmask假设云中的衰减率为常数−6.5k/公里.因此，云顶高度可以根据云底高度和云底与云顶的相对BT差来估算：